[发明专利]用户行为量化方法、系统、设备及存储介质

权利要求书

1.一种用户行为量化的方法，其特征在于，包括以下步骤：

S10、将订单涉及的所有动作按固定次序预先排列为一参考序列；

S11、采集用户订单下单前的操作的动作，按形成时序排列所述动作以形成动作序列；

S12、将所述动作序列中的每一个动作匹配所述参考序列而转换为一组由0或1表示的动作向量，以将所述动作序列转换为动作矩阵；

S13、构建循环神经网络模型，所述循环神经网络模型符合公式：

s_t＝f(U*x_t+W*s_t-1+b)

其中，f为激活函数，S_t以及S_t-1为构建循环神经网络的隐藏层，U，W为模型的参数矩阵，b为偏置项，x_t为步骤S12中的所述动作向量；

S14、将多个动作矩阵以及与动作矩阵对应的订单的样本标签作为输入数据，输入所述循环神经网络模型，以训练循环神经网络模型；

S15、输出最后一层的隐藏层作为输出结果。

2.如权利要求1所述的用户行为量化的方法，其特征在于，所述步骤S11包括：

S111、采集用户订单下单前的所有动作，并按形成时序排列所述动作以形成动作序列；

S113、保留下单前的t次动作，其中t为正整数。

3.如权利要求2所述的用户行为量化的方法，其特征在于，在所述步骤S11中，在步骤S113前还包括步骤：

S112、合并动作序列中相邻的重复动作。

4.如权利要求1所述的用户行为量化的方法，其特征在于在步骤S14的循环神经网络模型中构建损失函数loss，

将多个动作矩阵以及与动作矩阵对应的订单的样本标签输入所述循环神经网络模型进行迭代，最小化损失函数，以获得最优的U，W，b，

损失函数loss符合以下公式：

其中，p_i为预测概率，y_i为与动作矩阵对应的订单的样本标签。

5.如权利要求4所述的用户行为量化的方法，其特征在于在步骤S14中，预测概率p_i符合下述公式：

p_i＝softmax(w_out*s_t+b_out)

其中，w_out为模型的参数矩阵，b_out为偏置项，S_t为构建循环神经网络的隐藏层；

将多个动作矩阵以及与动作矩阵对应的订单的样本标签输入所述循环神经网络模型进行迭代，最小化损失函数，以获得最优的w_out以及b_out。

6.如权利要求1所述的用户行为量化的方法，其特征在于，在步骤S13中，

设定循环神经网络模型的隐含层节点数为q，第一个隐含层S₀为任意q*1维向量。

7.如权利要求1所述的用户行为量化的方法，其特征在于还包括步骤：

S16、将步骤S15中的所述输出结果作为输入数据，输入用户行为监督模型，以进行用户行为监督模型训练。